python数据分析:pandas数据结构与操作

【Python数据分析-1】:Pandas的常用操作-Pandas的主要数据结构Series(一维数据)和DataFrame(二维数据) 大家好,这里是为代码封神的封神榜(有点吹牛皮了,哈哈)。还是新人初来乍到,希望大家多多指教。 本系列呢,是为大家带来的是Python数据分析,希望大家能够喜欢,多多支持。 安装Pandas 从PyPi安装: pip install Pandas 复制代码 Pandas适用场景 Pandas 适用于处理与Excel表类似的二维表格数据 堆数 名称 描述 1 Series 代表钱的数据类型相同的数组 2 DataFrame 带标签的大小可变的不同数 阅读详情

pandas有两个常用的数据结构模块
Series和DataFrame
我们将对这两个数据结构模块进行学习
Series有点类似于一位数组的对象,也有点类似于字典,由一组数据以及一组与之相关的索引组成
我们可以简单的输入一些数据生成一个Series对象

In [1]: from pandas import *

In [2]: test=Series([1,2,3,4])

In [3]: test
Out[3]: 
0    1
1    2
2    3
3    4
dtype: int64

当然索引不一定得是整数,我们也可以在生成Series的时候对其添加索引

In [4]: test2=Series([1,2,3,4],index=['a','b','c','d'])

In [5]: test2
Out[5]: 
a    1
b    2
c    3
d    4
dtype: int64

In [6]: test2['a']
Out[6]: 1

In [7]: test2.index
Out[7]: Index(['a', 'b', 'c', 'd'], dtype='object')

索引的方式也是与字典类似,我们之前Numpy的数组中,所学习的一些方法在Series对象中同样适用

In [4]: test2=Series([1,2,3,4],index=['a','b','c','d'])

In [5]: test2
Out[5]: 
a    1
b    2
c    3
d    4
dtype: int64

In [6]: test2['a']
Out[6]: 1

In [7]: test2.index
Out[7]: Index(['a', 'b', 'c', 'd'], dtype='object')

因为映射方式的类似,其实Python的字典可以直接利用里面的数据来创建一个Series

In [12]: height={'tom':170,'david':175,'harry':180,'mary':170}

In [13]: test3=Series(height)

In [14]: test3
Out[14]: 
david    175
harry    180
mary     170
tom      170
dtype: int64

我们可以直接通过一个列表来传入索引

In [16]: name=['tom','david','harry','jack']

In [17]: test4=Series(height,index=name)

In [18]: test4
Out[18]: 
tom      170.0
david    175.0
harry    180.0
jack       NaN
dtype: float64

对于缺失的数值可以用pandas中的isnull和notnull函数检测

In [19]: pd.isnull(test4)
Out[19]: 
tom      False
david    False
harry    False
jack      True
dtype: bool

In [20]: pd.notnull(test4)
Out[20]: 
tom       True
david     True
harry     True
jack     False
dtype: bool

Series对象本身和它的索引都有一个name属性,这有点像我们平时常用的 excel表格

In [21]: test3.name='height'

In [22]: test3.index.name='Name'

In [23]: test3
Out[23]: 
Name
david    175
harry    180
mary     170
tom      170
Name: height, dtype: int64

索引也可以通过赋值的方式修改

In [24]: test3.index=['bob','bob','bob','bob']

In [25]: test3
Out[25]: 
bob    175
bob    180
bob    170
bob    170
Name: height, dtype: int64

Dataframe是pandas里面类似表格型的一个数据结构,他有一组有序的列,每列可以是不同的值类型,又有点像是一个扩充的Series,是以二维结构存储数据。
构建Dataframe有很多办法,我们可以在一个字典的基础上来创建他

In [3]: data={'name':['tom','harry','jack','mary'],'height':['176','170','180','160'],'weight':['100','80','90','50']}

In [4]: frame=DataFrame(data)

In [5]: frame
Out[5]: 
  height   name weight
0    176    tom    100
1    170  harry     80
2    180   jack     90
3    160   mary     50

Dataframe也可以按照指定序列进行排序

In [7]: DataFrame(data,columns=['name','height','weight'],index=['first','second','third','four'])
Out[7]: 
         name height weight
first     tom    176    100
second  harry    170     80
third    jack    180     90
four     mary    160     50

如果传入的数据在之中没有对应值也会像Series中一样生成NA值
指定了列序列,会按照指定的序列进行排序

In [7]: DataFrame(data,columns=['name','height','weight'],index=['first','second','third','four'])
Out[7]: 
         name height weight
first     tom    176    100
second  harry    170     80
third    jack    180     90
four     mary    160     50

可以通过索引把DataFrame的列获取为一个Series

In [9]: frame=DataFrame(data,columns=['name','height','weight'],index=['first','second','third','four'])

In [10]: frame['name']
Out[10]: 
first       tom
second    harry
third      jack
four       mary
Name: name, dtype: object

加入索引字段ix可以获取一整行的信息

In [12]: frame.ix['third']
Out[12]: 
name      jack
height     180
weight      90
Name: third, dtype: object

还有一种常见的数据形式是嵌套字典,我们将其传入字典,会被解释为:外层字典的键作为主列,内层的键则作为行索引

In [13]: pop={'Nevada':{2001:2.4,2002:2.9},'ohio':{2000:1.5,2001:1.7,2002:3.6}}

In [14]: frame=DataFrame(pop)

In [15]: frame
Out[15]: 
      Nevada  ohio
2000     NaN   1.5
2001     2.4   1.7
2002     2.9   3.6

我们可以对其进行转置

In [16]: frame.T
Out[16]: 
        2000  2001  2002
Nevada   NaN   2.4   2.9
ohio     1.5   1.7   3.6

内层的字典会被合并,排序成为最后的列。如果指定过索引,则不会这样

In [18]: DataFrame(pop,index=[2001,2002,2003])
Out[18]: 
      Nevada  ohio
2001     2.4   1.7
2002     2.9   3.6
2003     NaN   NaN
【100天精通Python】Day54:Python 数据分析_Pandas入门基础,核心数据结构Serise、DataFrame、Index对象,数据的导入导出操作 Pandas是一个Python库,用于数据处理和数据分析。它提供了高性能、易于使用的数据结构和数据分析工具,特别适用于处理结构化数据。本文介绍_Pandas入门基础,核心数据结构Serise、DataFrame、Index对象,数据的导入导出操作。 阅读详情

相关推荐

python数据分析pandas教程

pandas基本使用教程,描述了基本的数据分析功能,使用pandas可以方便的载入数据库数据,csv数据等各种类型的数据,并整合在一起进行分析

Python数据分析实战:使用Pandas进行数据分析

数据读取数据集成透视表数据聚合与分组运算分段统计数据可视化Pandas的使用很灵活,最重要的两个数据类型是DataFrame和Series。对DataFrame最直观的理解是把它当成一个Excel表格文件,如下:索引是从0开始的,也可以将某一行设置为index索引;missing value为缺失值。DataFrame的一列就是Series,Series可以转化为DataFrame,调用方法函数to_frame()即可。

libaiup的博客 7501

别再只接个放大器了!压电传感器测量电路(电压/电荷放大器)的5个实战配置要点

本文深入解析压电传感器测量电路中的5个关键实战配置要点,包括电缆长度选择、输入阻抗匹配、过载保护设计、低频噪声抑制及放大器选型策略。特别针对电压放大器和电荷放大器的应用场景差异提供工程实践建议,帮助工程师有效解决信号失真、噪声干扰等常见问题,提升测量精度和系统可靠性。

weixin_26869081的博客 302

Python数据分析基础技术之pandas(史上最全面)

pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。简单地说,你可以把 Pandas 看作是 Python 版的 Excel。 ...

薛定谔的猫-前端领域 7万+

银河麒麟服务器操作系统V10-SP1部署gitlab服务

银河麒麟高级服务器操作系统 V10 SP1 部署GitHub

weixin_43173670的博客 2156

Cursor Pro版保姆级开通教程:绕过7天试用,支付宝一步搞定(附地区报错解决方案)

本文详细介绍了Cursor Pro版的订阅流程,包括支付宝支付步骤和解决区域报错的实用方案。针对开发者常见的网络问题和云服务器配置需求,提供了从本地环境调整到云端部署的完整指南,帮助用户高效解锁Pro版的代码补全、私有代码库等核心功能。

weixin_28710999的博客 2116

python--数据分析pandas

Pandas是进行科学数据分析中另一个比较常用的数据库,基于NumPy,但加入了更多的高级数据结构以及操作工具,进一步简化了NumPy等运算与应用。

m0_68165821的博客 400

C语言由scanf(“%d“,)非法输入字符造成的死循环及其解决方案

声明:此文章仅作为C语言学习历程中的思路整理,用于解决入门阶段较为浅显的问题,如有错误还请指正。 现象描述: 代码要求实现用户输入1或2,通过scanf("%d",&a)读取这个值,从而判断分属于1或2的两种情况。输入非1,2的数字都应该返回"Invalid Number!",并且要求重新输入数字。 while(a!=1&&a!=2) { printf("Invalid Number!\n"); printf("Enter the number:"); scan

weixin_49764077的博客 8722

3.5万字,图解Python数据分析最强库Pandas(全是干货,建议收藏)

大家好,在 Python 各个工具包中,最频繁使用的应该就是 Pandas 了。今天我以图解的方式给大家介绍 Pandas 中各种常用的操作,内容有点长,喜欢记得点赞、收藏、关注。

wangluoanquan152的博客 1万+

从零到一:在Ubuntu 20.04上搭建ROS1与PX4无人机开发环境

本文详细指导如何在Ubuntu 20.04系统上搭建完整的ROS1与PX4无人机开发环境。内容涵盖ROS Noetic安装、PX4固件源码编译、MAVROS通信桥接以及QGroundControl地面站的配置,并通过Gazebo仿真完成全链路联调测试,为无人机算法开发与验证提供稳定可靠的基础平台。

weixin_29292431的博客 168

详细分析一下华为自研的MetaERP系统中的合并报表流程与规则

华为MetaERP合并报表系统针对其全球化复杂业务量身定制,采用五层自动化架构:统一数据采集、多币种转换、智能对账协同、规则化抵消处理及多维分析输出。系统核心在于可配置的智能规则引擎,涵盖股权合并范围、内部交易抵消、未实现利润计算等复杂场景,实现多准则并行处理。相比传统软件,该系统深度集成业务数据、支持准实时合并,并通过参数化配置快速适应组织变革,成为华为全球财务管控的"数字神经中枢",在效率、准确性和安全性上具有显著优势。

金牌架构师 674

【pandas 类库】

Pandas 是 Python 语言的一个扩展程序库,用于数据分析。 Pandas 是一个开放源码、BSD 许可的库,提供高性能、易于使用的数据结构和数据分析工具。 Pandas 名字衍生自术语 "panel data"(面板数据)和 "Python data analysis"(Python 数据分析)。 Pandas 一个强大的分析结构化数据的工具集,基础是Numpy(提供高性能的矩阵运算)。 Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入.

zhurrm的博客 3315

Open3D 计算点云法向量的夹角【2026最新版】

计算法向量的夹角,博客长期更新,本文最新更新时间为:2026年3月7日。

点云侠的博客 3131

Python数据分析——Pandas数据结构和操作

    Pandas是什么? 1、一个强大的分析 结构化数据 的工具集 2、基础是NumPy,提供了 高性能矩阵 的运算 3、应用在数学挖掘,数据分析。比如,学生成绩分析,股票数据分析等 4、提供数据清洗功能 #使用 import pandas as pd Pand...

拿Q 658

思科 MIB 库

思科 MIB

m0_54931486的博客 770

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

python中的数据结构_python数据分析之Pandas数据结构和操作

编辑推荐:本文来自于网络,文章主要介绍了Pands数据结构,并对Series和DataFrame进行了详细阐述。Pandas是什么?1、一个强大的分析 结构化数据 的工具集2、基础是NumPy,提供了 高性能矩阵 的运算3、应用在数学挖掘,数据分析。比如,学生成绩分析,股票数据分析等4、提供数据清洗功能#使用import pandas as pdPands数据结构,主要分为两种,Series和Da...

weixin_39585035的博客 379

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

python中、常见的结构化数据不包括_Python数据分析——Pandas数据结构和操作

Pandas是什么?1、一个强大的分析 结构化数据 的工具集2、基础是NumPy,提供了 高性能矩阵 的运算3、应用在数学挖掘,数据分析。比如,学生成绩分析,股票数据分析等4、提供数据清洗功能#使用import pandas as pdPands数据结构,主要分为两种,Series和DataFrameSeries 视频资料学习分享 企(Q)鹅群 5199706861...

weixin_39688687的博客 563

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

【Python数据分析学习笔记-4】pandas 的使用-pandas数据结构、pandas索引操作

首先导入所需要的模块 import pandas as pd from pandas import DataFrame,Series import numpy as np 创建Series obj_1=Series([1,2,3,4]) print(obj_1) # Series数据 :索引在左,值在右 # 没有指定索引,Series数据会以0~len-1(len为数据的长度)作为索引 obj...

坚持不懈的大白的博客 681

Pandas数据结构——《Python数据分析库Pandas》

Pandas的数据结构为数据分析师提供了强大的工具,使得他们能够高效地处理和分析各种类型的数据。通过熟练掌握Pandas的使用技巧,我们可以更好地利用数据揭示隐藏在其中的规律和趋势,为决策提供有力支持。随着大数据时代的到来,数据分析的需求日益增长。未来,我们可以期待Pandas在数据科学领域发挥更加重要的作用。同时,我们也应该关注Pandas的更新和发展,不断学习和掌握新的功能和技巧,以适应不断变化的数据分析需求。👨‍💻博主Python老吕评论,您的举手之劳将对我提供了无限的写作动力!🤞🔥。

Python老吕的博客 1160

Python数据分析(2)-pandas数据结构操作

pandas是一个提供快速、灵活、表达力强的数据结构的Python库,适合处理‘有关系’或者‘有标签’的数据。在利用Python做数据分析的时候,pandas是一个强有力的工具。 pandas库有两种数据结构,Series和DataFrame。前者适合处理一维数据,也就是单变量;后者适合分析多维数据,不过也仅仅只能是二维。在掌握DataFrame的操作后,自然也就熟悉了Series的操作,因而不描述如何操作Serie

锦小年的博客 4万+

Python之三大基本库——Pandas(1)

本文介绍了Python数据分析库Pandas的基本概念和使用方法。Pandas是基于NumPy构建的开源库,专注于结构化数据处理,提供DataFrame和Series两种核心数据结构,支持数据清洗、统计分析等功能,适用于金融分析、机器学习预处理等场景。文章详细说明了Pandas的安装方法(推荐使用清华镜像源),并强调要掌握Series和DataFrame这两个核心数据结构才能熟练使用Pandas。这是Pandas系列教程的第一篇,后续将深入讲解更多内容。

m0_61746796的博客 5874

Python包——pandas1

Pandas 是一个开源的第三方 Python 库,从 Numpy 和 Matplotlib 的基础上构建而来Pandas 名字衍生自术语 "panel data"(面板数据)和 "Python data analysis"(Python 数据分析)Pandas 已经成为 Python 数据分析的必备高级工具,它的目标是成为强大、灵活、可以支持任何编程语言的数据分析工具Pandas 是 Python 语言的一个扩展程序库,用于数据分析。

2301_77084486的博客 1305

转:python之pandas简单介绍及使用(一)

转自:https://www.cnblogs.com/misswangxing/p/7903595.html 一、  Pandas简介 1、Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具。pandas提供了大量能...

1570

Python基础13_Pandas

python基础;pandas

l15202833159的博客 1058

Python Pandas库超详细教程:从入门到精通实战指南

Series:带标签的一维数组,可存储任意数据类型DataFrame:二维表格结构,类似Excel或SQL表数据清洗(处理缺失值、异常值)数据转换(合并、重塑、聚合)分析与可视化(配合Matplotlib/Seaborn)核心要点掌握DataFrame的索引和查询熟练使用groupby进行数据聚合优先选择向量化操作进阶建议阅读《Python for Data Analysis》参与Pandas源码贡献🔥🔥🔥道阻且长,行则将至,让我们一起加油吧!

ztt123654的博客 2069
上一篇: LDAP 网络用户账户
下一篇: RHCSA小测试
parameter_
博客等级 码龄10年 24粉丝 102原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值